面向实时放射影像的机器学习流水线 DICOM 框架
图像与视频处理
2021-09-08 v4 计算机视觉与模式识别
机器学习
摘要
由于临床环境中计算资源有限且缺乏高效的数据传输能力以在研究集群上运行机器学习(ML)流水线,在放射影像上实时执行 ML 流水线十分困难。我们提出 Niffler,一个集成框架,可通过从医院的影像归档与通信系统(PACS)高效查询和检索放射影像,从而在研究集群上执行 ML 流水线。Niffler 使用医学数字成像与通信(DICOM)协议来获取和存储影像数据,并提供元数据提取能力以及应用程序编程接口(API)以对图像应用过滤器。Niffler 进一步支持以去标识化方式共享 ML 流水线的结果。Niffler 已稳定运行超过 19 个月,并支持了该部门的数个研究项目。在本文中,我们介绍其架构及三个用例:实时从影像中检测下腔静脉(IVC)滤器、扫描仪利用率识别以及扫描仪时钟校准。对 Niffler 原型的评估凸显了其在实时与回顾性地促进影像及元数据上 ML 流水线的可行性与高效性。
引用
@article{arxiv.2004.07965,
title = {A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images},
author = {Pradeeban Kathiravelu and Puneet Sharma and Ashish Sharma and Imon Banerjee and Hari Trivedi and Saptarshi Purkayastha and Priyanshu Sinha and Alexandre Cadrin-Chenevert and Nabile Safdar and Judy Wawira Gichoya},
journal= {arXiv preprint arXiv:2004.07965},
year = {2021}
}
备注
Preprint